🔬 condensed matter

Strong Simulation of 1D Quantum Circuits via Reduced Transition Matrices

यह शोध पत्र स्वीपिंग आरटीएम (Sweeping RTM) एल्गोरिदम का परिचय देता है, जो रिड्यूस्ड ट्रांज़िशन मैट्रिसेस पर आधारित एक टेंसर-नेटवर्क विधि है, जो यह प्रदर्शित करके कि एक निश्चित परिशुद्धता के लिए आवश्यक बॉन्ड डायमेंशन (bond dimension) समय के साथ उप-घातांकीय (subexponentially) रूप से बढ़ता है, 1D अराजक क्वांटम सर्किट (1D chaotic quantum circuits) के आउटपुट प्रोबेबिलिटीज के कुशल शास्त्रीय सुदृढ़ सिमुलेशन (classical strong simulation) को सक्षम बनाता है।

मूल लेखक: Matilde Grassi, Stefano Carignano, Luca Tagliacozzo, Jacopo De Nardis

प्रकाशित 2026-10-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matilde Grassi, Stefano Carignano, Luca Tagliacozzo, Jacopo De Nardis

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

क्वांटम भौतिकी के क्षेत्र में, वैज्ञानिक उन प्रणालियों का अध्ययन करते हैं जो एक-दूसरे के साथ परस्पर क्रिया करने वाले कई सूक्ष्म कणों से बनी होती हैं। जब ये कण 'एंटैंगलमेंट' (entanglement) नामक एक विशेष तरीके से जुड़े होते हैं, तो वे अलग-अलग व्यक्तियों के बजाय एक एकल, जटिल संपूर्ण इकाई के रूप में व्यवहार करते हैं। इन प्रणालियों के समय के साथ बदलने का अनुकरण (simulate) करना आधुनिक कंप्यूटिंग की सबसे कठिन चुनौतियों में से एक है। जैसे-जैसे समय बीतता है, कणों के बीच के संबंध अधिक मजबूत और जटिल होते जाते हैं, जिससे प्रणाली का वर्णन करने के लिए आवश्यक सूचना की मात्रा में भारी उछाल आता है। लंबे समय तक, जटिलता के इस तीव्र विकास का अर्थ यह था कि सबसे शक्तिशाली सुपरकंप्यूटर भी इन प्रणालियों को बहुत कम समय के लिए ही ट्रैक कर पाते थे, जिसके बाद गणना करना असंभव हो जाता था।

इस नए शोध का लक्ष्य पूरी प्रणाली को एक साथ ट्रैक करना नहीं है, बल्कि एक बहुत अधिक विशिष्ट प्रश्न का उत्तर देना है: यदि हम कणों की एक विशेष व्यवस्था से शुरुआत करें और उन्हें विकसित होने दें, तो उन्हें एक विशिष्ट अंतिम व्यवस्था में पाए जाने की क्या संभावना है? यह हर संभावित परिणाम की भविष्यवाणी करने की कोशिश करने से अलग है, जो एक ऐसा कार्य है जिसे इतना कठिन माना जाता है कि वह शास्त्रीय कंप्यूटरों (classical computers) की पहुंच से बाहर है। इसके बजाय, शोधकर्ताओं ने एक निश्चित स्तर की सटीकता के साथ एक एकल, चुनी हुई परिणाम की प्रायिकता (probability) की गणना करने पर ध्यान केंद्रित किया। इस विशिष्ट प्रश्न तक दायरे को सीमित करके, उन्होंने उस सामान्य बाधाओं को पार करने का एक तरीका खोज लिया है जिसने वैज्ञानिकों को लंबे समय तक अराजक क्वांटम सर्किटों (chaotic quantum circuits) का अनुकरण करने से रोक रखा था।

टीम ने, जिसका नेतृत्व फ्रांस और स्पेन के संस्थानों के शोधकर्ताओं द्वारा किया गया है, 'टेंसर नेटवर्क' (tensor networks) नामक एक तकनीक का उपयोग करके इस समस्या से निपटने के लिए एक नया तरीका विकसित किया है। सूचना के एक विशाल ग्रिड की कल्पना करें जो क्वांटम प्रणाली को समय के माध्यम से चलते हुए दर्शाता है। आमतौर पर, उत्तर खोजने के लिए, एक कंप्यूटर को पूरे ग्रिड को प्रोसेस करना होगा, जो संभालने के लिए बहुत बड़ा हो जाता है। शोधकर्ताओं ने महसूस किया कि उन्हें एक समय में पूरी तस्वीर को स्मृति (memory) में रखने की आवश्यकता नहीं है। इसके बजाय, वे प्रक्रिया के आरंभ और अंत के बीच के संबंध पर ध्यान केंद्रित कर सकते हैं। उन्होंने प्रणाली के साथ ऐसा व्यवहार किया जैसे कि इसे एक साथ बाएं और दाएं दोनों तरफ से दबाया जा रहा हो, जो बीच में मिलते हों।

यह दृष्टिकोण, जिसे वे 'स्वीपिंग रिड्यूस्ड ट्रांजिशन मैट्रिक्स एल्गोरिदम' (Sweeping Reduced Transition Matrix algorithm) कहते हैं, सिमुलेशन के किनारों पर रखी जानेत्मक सूचना को लगातार परिष्कृत करके काम करता है। जैसे-जैसे कंप्यूटर सिस्टम के आर-पार आगे-पीछे घूमता है, वह डेटा को संकुचित (compress) करता है, केवल उन्हीं हिस्सों को रखता है जो अंतिम प्रायिकता की गणना के लिए आवश्यक हैं। यह उन विवरणों को हटा देता है जो शुरुआती और अंतिम अवस्थाओं के बीच के ओवरलैप को महत्वपूर्ण रूप से प्रभावित नहीं करते हैं। यह एक महत्वपूर्ण अंतर है: जबकि प्रणाली की पूर्ण अवस्था अविश्वसनीय रूप से जटिल हो सकती है और उसे स्टोर करने के लिए भारी मात्रा में मेमोरी की आवश्यकता हो सकती है, प्रायिकता प्रश्न का उत्तर देने के लिए आवश्यक विशिष्ट सूचना बहुत सरल रहती है। शोधकर्ताओं ने पाया कि एक स्थिर उत्तर प्राप्त करने के लिए आवश्यक मेमोरी की मात्रा, प्रणाली के विकसित होने के समय की तुलना में बहुत धीमी गति से बढ़ती है।

अपने तरीके का परीक्षण करने के लिए, टीम ने अराजक क्वांटम सर्किटों का अनुकरण किया, जिन्हें सूचना को यथासंभव पूरी तरह से बिखेरने (scramble) के लिए डिज़ाइन किया गया है। उन्होंने साठ कणों तक की प्रणालियों पर ये सिमुलेशन चलाए और देखा कि कंप्यूटर ने समय के साथ कैसा प्रदर्शन किया। परिणामों ने दिखाया कि एक निश्चित स्तर की सटीकता बनाए रखने के लिए आवश्यक मेमोरी उप-घातांकीय (subexponential) दर पर बढ़ी। इसका मतलब है कि हालांकि कठिनाई समय के साथ बढ़ती है, लेकिन यह उस भयानक गति से नहीं बढ़ती जो कार्य को असंभव बना दे। वास्तव में, जिन समय अंतराल तक वे पहुँच सके, वहां वृद्धि प्रबंधनीय रूप से धीमी थी। उन्होंने अपने नए तरीके के परिणामों की तुलना छोटी प्रणालियों के लिए सटीक गणनाओं के विरुद्ध की, जहाँ पूर्ण उत्तर ज्ञात था, और पाया कि उनके अनुमान सटीक थे।

अध्ययन ने संकुचित किए जा रहे डेटा की आंतरिक संरचना को भी देखा। उन्होंने पाया कि अंतिम प्रायिकता के लिए प्रासंगिक सूचना का एक विशिष्ट आकार होता है, जिसमें अधिकांश भार कुछ प्रमुख दिशाओं में केंद्रित होता है। इसने एल्गोरिदम को शेष भाग को बिना उत्तर खोए हटाने की अनुमति दी। जबकि शोधकर्ता नोट करते हैं कि उनका प्रमाण सख्त गणितीय प्रमाण के बजाय सिमुलेशन और संख्यात्मक अवलोकनों से आता है, परिणाम विभिन्न प्रकार के रैंडम सर्किटों में सुसंगत और मजबूत हैं। वे सुझाव देते हैं कि यह विधि शास्त्रीय कंप्यूटरों के लिए अराजक क्वांटम प्रणालियों पर विशिष्ट प्रायिकता प्रश्नों को करने के लिए एक सीधा मार्ग खोलती है, जो पहले पहुंच से बाहर माना जाता था।

इस क्षमता का क्वांटम कंप्यूटिंग के क्षेत्र में तत्काल व्यावहारिक मूल्य है। जैसे-जैसे वैज्ञानिक बड़े और अधिक जटिल क्वांटम उपकरण बना रहे हैं, उन्हें यह जांचने के लिए विश्वसनीय तरीकों की आवश्यकता है कि क्या ये मशीनें सही ढंग से काम कर रही हैं। एक सामान्य विधि, जिसे बेंचमार्किंग (benchmarking) कहा जाता है, उपकरण के आउटपुट की तुलना एक ज्ञात आदर्श परिणाम से करने में शामिल है। हालांकि, उस आदर्श परिणाम की गणना करना अक्सर शास्त्रीय कंप्यूटरों के लिए बहुत कठिन होता है। यह नया तरीका शोधकर्ताओं को इन विशिष्ट परिणामों के लिए आदर्श प्रायिकताओं की गणना करने की अनुमति देता है, जिससे पूरी प्रणाली का अनुकरण किए बिना क्वांटम प्रोसेसरों के प्रदर्शन को सत्यापित करने का एक तरीका मिलता है। यह मशीन लर्निंग मॉडल को क्वांटम डेटा पर प्रशिक्षित करने का एक तरीका भी प्रदान करता है, क्योंकि एल्गोरिदम मॉडल के मापदंडों को समायोजित करने के लिए आवश्यक सटीक प्रायिकता प्रदान कर सकता है।

शोधकर्ता स्वीकार करते हैं कि अभी भी कई खुले प्रश्न हैं। उन्होंने अभी तक यह सिद्ध नहीं किया है कि मेमोरी की आवश्यकताओं में यह धीमी वृद्धि सभी संभावित समय और सिस्टम आकारों के लिए सत्य होगी, न ही उन्होंने इस पद्धति की गणितीय सीमाओं को पूरी तरह से स्थापित किया है। वे वर्तमान में तकनीक को द्वि-आयामी (two-dimensional) प्रणालियों तक विस्तारित करने पर काम कर रहे हैं, जो और भी जटिल होगा, और प्रक्रिया को अधिक कठोर बनाने के तरीके तलाश रहे हैं। फिलहाल, हालांकि, यह कार्य प्रदर्शित करता है कि एक लक्षित प्रश्न पूछकर और सूचना को संकुचित करने के एक चतुर तरीके का उपयोग करके, अराजक क्वांटम प्रणालियों के व्यवहार का अनुकरण करना संभव है जो पहले असंभव था। यह शास्त्रीय कंप्यूटरों की उपलब्धि की सीमा को बदल देता है, जो क्वांटम यांत्रिकी के अध्ययन में एक नया उपकरण प्रदान करता है।

तकनीकी सारांश: न्यूनीकरण ट्रांजिशन मैट्रिसेस (Reduced Transition Matrices) के माध्यम से 1D क्वांटम सर्किटों का सुदृढ़ सिमुलेशन

समस्या विवरण
गैर-संतुलन (non-equilibrium) क्वांटम अनेक-निकाय प्रणालियों का सिमुलेशन स्थानिक एंटैंगलमेंट (spatial entanglement) की तीव्र वृद्धि द्वारा मौलिक रूप से सीमित है, जो मानक टेंसर-नेटवर्क विधियों (जैसे कि TEBD, tDMRG, और TDVP) को अराजक (chaotic) यूनिटरी सर्किटों के लिए अक्षम बना देता है। जबकि ये विधियाँ गतिकी को निम्न-जटिलता वाले मैनिफोल्ड्स तक ही सीमित रखती हैं, वे अंततः एंटैंगलमेंट के व्यापक रूप से बढ़ने पर विफल हो जाती हैं।

यह शोध पत्र एक अधिक लक्षित कम्प्यूटेशनल कार्य को संबोधित करता है: एक निर्दिष्ट आउटपुट प्रायिकता $p(x|y) = |\langle x|U(T)|y\rangle|^2$ का अनुमानित सुदृढ़ सिमुलेशन (approximate strong simulation), जो एक निश्चित सापेक्ष परिशुद्धता $\epsilon_p$ (या आयाम के लिए $\epsilon_A$ ) पर आधारित है, जो कि एक 1D अराजक ब्रिक-वॉल (brick-wall) सर्किट के लिए दिया गया है। यह कार्य पूर्ण आउटपुट वितरण के सैंपलिंग से भिन्न है, जिसे शास्त्रीय रूप से कठिन (classically hard) माना जाता है। हालांकि विशिष्ट प्रायिकताओं का सटीक मूल्यांकन सामान्यतः #P-hard है, लेखक नोट करते हैं कि स्थापित कठोरता परिणाम (hardness results) आमतौर पर उन स्थितियों में लागू होते हैं जहाँ सापेक्ष त्रुटियाँ सिस्टम के आकार के साथ लुप्त हो जाती हैं। यह शोध पत्र एक निश्चित परिमित सापेक्ष परिशुद्धता प्राप्त करने की कम्प्यूटेशनल जटिलता की जांच करता है, जो कि एक ऐसा क्षेत्र है जहाँ कठोरता अभी तक प्रमाणित नहीं हुई है।

कार्यप्रणाली: स्वैपिंग RTM एल्गोरिदम (The Sweeping RTM Algorithm)
लेखक न्यूनीकरण ट्रांजिशन मैट्रिसेस (Reduced Transition Matrices - RTMs) पर आधारित एक अनुप्रस्थ टेंसर-नेटवर्क संकुचन (transverse tensor-network contraction) रणनीति प्रस्तावित करते हैं। समय दिशा में स्पेस-टाइम टेंसर नेटवर्क को संकुचित करने के बजाय (जो स्थानिक एंटैंगलमेंट के कारण घातीय बॉन्ड डायमेंशन वृद्धि की ओर ले जाता है) या स्वतंत्र रूप से बाएं और दाएं टेम्पोरल बाउंडरी स्टेट्स का अनुमान लगाने के बजाय, यह एल्गोरिदम सीधे इन सीमाओं के बीच के ओवरलैप (overlap) को लक्षित करता है।

अनुप्रस्थ सूत्रीकरण (Transverse Formulation): सर्किट आयाम को बाएं और दाएं टेम्पोरल बाउंडरी स्टेट्स $\langle L|R\rangle$ के ओवरलैप के रूप में देखा जाता है। ट्रांजिशन मैट्रिक्स को $T = |R\rangle\langle L| / \langle L|R\rangle$ के रूप में परिभाषित किया गया है।
RTM संपीड़न (RTM Compression): एल्गोरिदम एक टेम्पोरल बाइपार्टिशन (temporal bipartition) के माध्यम से न्यूनीकरण ट्रांजिशन मैट्रिक्स $T_A = \text{Tr}_{\bar{A}} T$ के सिंगुलर-वैल्यू डिकम्पोजिशन (SVD) का उपयोग करता है। $T_A$ के सिंगुलर वेक्टर्स व्यक्तिगत अवस्थाओं की एंटैंगलमेंट संरचना के बजाय ओवरलैप के लिए सबसे प्रासंगिक दिशाओं की पहचान करते हैं।
स्वैपिंग प्रक्रिया (Sweeping Procedure): एल्गोरिदम बाएं और दाएं बाउंडरी स्टेट्स को टेम्पोरल मैट्रिक्स प्रोडक्ट स्टेट्स (tMPS) के रूप में निर्मित करता है। यह स्थानिक दिशा में वैकल्पिक रूप से बाएं-से-दाएं और दाएं-से-बाएं स्वैप (sweeps) करता है। प्रत्येक चरण में, ओवरलैप को संरक्षित करने के लिए (न कि व्यक्तिगत अवस्थाओं को), स्थानीय RTM के सिंगुलर स्पेक्ट्रम के आधार पर tMPS बॉन्ड्स को ट्रंकेट (truncate) किया जाता है।
अभिसरण निदान (Convergence Diagnostics): विधि आंतरिक स्थिरता जाँचों का उपयोग करती है, जो विभिन्न स्थानिक कट्स ( $\Delta_{cut}$ ), विभिन्न स्वैप्स ( $\Delta_{sweep}$ ), और विभिन्न बॉन्ड डायमेंशन ( $\Delta_{\chi}$ ) के बीच आयाम अनुमानों के प्रसार की निगरानी करती है। अभिसरण तब घोषित किया जाता है जब ये निदान निर्धारित सहनशीलता $\epsilon_A$ से नीचे गिर जाते हैं।

मुख्य परिणाम
लेखकों ने अपने एल्गोरिदम का परीक्षण दो-क्यूबिट गेट्स के तीन परिवारों पर किया: एक नियत (deterministic) अराजक किक्ड-आइसिंग (kicked-Ising) सर्किट, एक एक्सचेंज-सिमेट्रिक रैंडम एन्सेम्बल, और एक रैंडम हैर (Haar) एन्सेम्बल।

उप-घातीय बॉन्ड डायमेंशन वृद्धि (Subexponential Bond Dimension Growth): निश्चित सापेक्ष परिशुद्धता के लिए अराजक 1D सर्किटों हेतु, संख्यात्मक साक्ष्य संकेत देते हैं कि सुलभ समय विंडो के दौरान स्थिर अनुमान के लिए आवश्यक बॉन्ड डायमेंशन $\chi$ उप-घातीय (subexponentially) रूप से बढ़ता है। यह पूर्ण अवस्था के निष्ठापूर्ण प्रतिनिधित्व या मानक अनुप्रस्थ TEBD के लिए आवश्यक घातीय वृद्धि के विपरीत है।
स्पेक्ट्रल गुण (Spectral Properties): RTMs के सिंगुलर स्पेक्ट्रा लगभग घातीय पूंछ (exponential tails) $\lambda_n \sim e^{-n/F}$ प्रदर्शित करते हैं। विशिष्ट क्षय पैमाना $F(T)$ , पावर लॉ $T^\alpha$ के रूप में बढ़ता है। यह स्पेक्ट्रल संरचना बताती है कि अनंत-आकार, ट्रांसलेशनल इनवेरिएंट सीमा में RTM SVD एंट्रॉपी $S_{RTM}$ लघुगणकीय रूप से बढ़ती है ( $S_{RTM} \sim \alpha \log T$ ), हालांकि परिमित-आकार के सिस्टम उत्तेजित अवस्थाओं (excited states) के कारण विचलन दिखाते हैं।
सटीकता सत्यापन (Accuracy Validation):
- छोटे सिस्टम ( $N=20$ ) के लिए, एल्गोरिदम के परिणाम निर्धारित सहनशीलता के भीतर सटीक फॉरवर्ड इवोल्यूशन से मेल खाते हैं।
- बड़े सिस्टम ( $N=60$ ) के लिए, जहाँ सटीक इवोल्यूशन असंभव है, एल्गोरिदम आउटपुट प्रायिकताओं के सांख्यिकीय गुणों को पुनरुत्पादित करता है, विशेष रूप से प्रायिकताओं के लॉग मोमेंट (log moment) के लिए पोर्टर-थॉमस (Porter–Thomas) भविष्यवाणी की ओर अभिसरण करता है।
- विधि विभिन्न सहनशीलता ( $\epsilon_A = 0.1, 0.5, 0.8$ ) के बीच स्थिरता बनाए रखती है, जिसमें विभिन्न थ्रेशोल्ड पर गणना किए गए आयामों के बीच सापेक्ष विसंगति सीमित रहती है।

महत्व और अनुप्रयोग
यह शोध पत्र दावा करता है कि यह दृष्टिकोण अराजक क्वांटम सर्किटों के लिए प्रत्यक्ष शास्त्रीय प्रायिकता प्रश्नों (classical probability queries) का मार्ग प्रशस्त करता है, बशर्ते कि सिमुलेशन समय उप-घातीय स्केलिंग विंडो के भीतर रहे। लेखक तीन विशिष्ट अनुप्रयोगों की पहचान करते हैं:

बेंचमार्किंग (XEB): यह विधि पूर्ण आउटपुट स्टेट को संग्रहीत किए बिना, सैंपल किए गए स्ट्रिंग्स के लिए आदर्श प्रायिकताओं की गणना करके, बड़े क्वांटम डिवाइसेज के लिए लीनियर क्रॉस-एंट्रॉपी बेंचमार्किंग (XEB) के शास्त्रीय मूल्यांकन को सक्षम बनाती है। XEB एस्टीमेटर में सापेक्ष त्रुटि प्रायिकता प्रश्नों की सापेक्ष त्रुटि द्वारा सीमित होती है।
शैडो-ओवरलैप सर्टिफिकेशन (Shadow-Overlap Certification): एल्गोरिदम शैडो-ओवरलैप सर्टिफिकेशन प्रोटोकॉल के लिए आवश्यक कॉम्प्लेक्स आयाम प्रश्नों की आपूर्ति कर सकता है, जिससे आयाम सटीकता द्वारा नियंत्रित त्रुटियों के साथ क्वांटम डिवाइसेज के लिए फिडेलिटी बाउंड्स संभव होते हैं।
लर्निंग कार्य (Learning Tasks): यह पैरामीटराइज्ड क्वांटम सर्किट मॉडल्स के लाइकलीहुड-आधारित लर्निंग को सुगम बनाता है, यहाँ तक कि जब व्यक्तिगत प्रायिकतियाँ घातीय रूप से छोटी हों, बशर्ते कि संकुचन (contractions) व्यवहार्य रहें।

सीमाएँ और भविष्य की संभावनाएँ
लेखक इस बात पर जोर देते हैं कि उनके निष्कर्ष संख्यात्मक और अनुमानी (heuristic) हैं। उन्होंने कठोर रूप से एक स्पर्शोन्मुखी जटिलता सीमा (asymptotic complexity bound) स्थापित नहीं की है (अर्थात, क्या वृद्धि थर्मोडायनामिक सीमा में सख्ती से बहुपद या उप-घातीय है)। आंतरिक अभिसरण जाँचें कठोर त्रुटि सीमाएँ (rigorous error bounds) प्रदान नहीं करती हैं। इसके अलावा, वर्तमान कार्य 1D सर्किटों तक सीमित है; 2D (PEPS का उपयोग करके) में इस रणनीति का विस्तार करना 2D टेम्पोरल बाउंड्रीज़ को संकुचित और कंप्रेस करने की बढ़ी हुई लागत के कारण एक गैर-तुच्छ चुनौती है। भविष्य के कार्यों के लिए ओवरलैप समस्या के लिए एक वेरिएशनल फॉर्मुलेशन विकसित करने और कठोर सीमाएँ स्थापित करने की आवश्यकता है।

इसी तरह के और पेपर